interview-prep

Interview Prep（面试准备）

干 4 件事：

1. 拆解面试场景：明确目标公司 / 岗位 / 面试轮次（一面 / 二面 / 终面 / HR 面）
2. 生成题库：从 4 类题库（行为面、技术面、Case 面、岗位特定）中按需取题
3. 生成参考回答：用 STAR / SCQA / MECE 等框架，结合用户简历事实
4. 产出"备战手册"：一份可打印的 .md / .docx / .pdf，含题目 + 参考思路 + 自检清单

---

何时触发

强信号：

• "帮我准备面试 / 模拟面试 / 模面"
• "明天 / 下周面试"
• 提到了具体公司 + 岗位
• "高频面试题 / 经典面试题"
• "怎么回答 ___ 这个问题"
• "自我介绍怎么说 / 离职原因怎么答 / 期望薪资怎么谈"

弱信号（先确认）：

• 只说"想了解一下面试" → 问是哪个方向 / 什么轮次

---

工作流

Step 1: 锁定面试场景

用 AskUserQuestion 收集：

• 目标公司（具体名字 / 大厂 vs 创业 vs 外资 / 公司类型）
• 目标岗位（精确到方向，如"用户增长 PM"而不是"产品经理"）
• 面试轮次（一面 / 二面 / 终面 / HR 面 / 全流程演练）
• 时间紧迫度（明天 / 这周 / 下周以上）—— 影响"广度 vs 深度"
• 用户已有材料（JD / 简历 / 公司公开信息 / 已知面试官背景）

如果用户给了 JD 和简历，先调用 jd-resume-tailor 的 parse_jd.py 抽出岗位关键信息，避免重复拆。

Step 2: 选题策略

按"轮次 + 方向 + 时间"决定题库结构。读取对应文件：

• 行为面（任何轮次都会问）→ references/behavioral.md
• 技术面（技术 / 数据岗主战场）→ references/technical.md
• Case 面（咨询 / 战略 / 高级 PM）→ references/case.md
• HR 面（任何岗位的最后一公里）→ references/hr_round.md
• 岗位特定题库：
  • 互联网产品 / 运营 / PM → references/role_internet.md
  • 技术 / 研发 / 数据 → references/role_tech.md
  • 金融 / 咨询 / 商科 → references/role_finance.md

题量推荐：

• 明天就面：每类 5~8 题，重点高频题
• 3~7 天：每类 10~15 题
• >1 周：完整覆盖 + 模拟轮次

Step 3: 生成参考回答

关键原则：参考回答必须基于用户简历里的真实经历，不是泛答。

调用 scripts/star_story_builder.py（如果有简历）：

python scripts/star_story_builder.py --resume resume.md \
    --questions questions.json --out answers.md

或者，如果没有简历，用通用回答框架（从 references/answer_frameworks.md 读取）作为模板，让用户填空。

参考回答的格式：

【题目】___
【考察点】HR / 面试官想看你的什么能力
【回答框架】STAR / SCQA / MECE / 5W1H 之一
【建议长度】X 分钟（一般 1.5~3 分钟）
【参考回答 (基于你简历里的 ___ 经历)】
  S: 当时的背景 / 问题
  T: 你的任务 / 目标
  A: 你的具体动作（重点，要细节）
  R: 量化结果 + reflect
【可能的追问】1. ___ 2. ___ 3. ___

Step 4: 产出"备战手册"

调用 docx skill 生成一份完整的 interview_prep_<公司>_<岗位>.docx，结构：

封面：公司 + 岗位 + 面试日期 + 倒计时
1. 公司 / 岗位 速览（1 页）
2. 自我介绍（中 + 英两版，针对该岗位定制）
3. 行为面题库（X 题）+ 参考回答
4. 技术面 / Case 面 题库（X 题）+ 参考思路
5. 反向提问清单（你向面试官问什么）
6. 薪资谈判脚本
7. 面试当天 Checklist（路线 / 着装 / 物品 / 心态）

同时输出一份精简版 .md，方便用户在地铁里 / 路上 review。